从分布式机器学习到联邦学习：基于数据隐私与安全的视角
分布式、并行与集群计算
2020-10-20 v1
摘要
联邦学习是分布式机器学习的一种改进版本，进一步将通常由中央服务器执行的操作卸载。服务器更像是协调客户端协同工作的助手，而非如传统 DML 中那样微观管理计算资源。联邦学习的最大优势之一在于其提供的额外隐私与安全保证。联邦学习架构依赖智能手机与物联网传感器等智能设备收集并处理自身数据，因此敏感信息无需离开客户端设备。相反，客户端在本地训练子模型，并将加密更新发送至中央服务器以聚合进全局模型。这些强隐私保证使联邦学习在数据泄露与信息窃取频发且构成严重威胁的世界中颇具吸引力。本综述勾勒了联邦学习中数据隐私与安全的格局及最新进展。我们辨识了用于提供隐私与安全的不同机制，如差分隐私、安全多方计算与安全聚合。我们还调研了当前的攻击模型，辨识漏洞所在及对手渗透联邦系统的策略。综述最后讨论了这一日益流行的学习范式中的开放挑战与未来工作潜在方向。
引用
@article{arxiv.2010.09258,
title = {From Distributed Machine Learning To Federated Learning: In The View Of Data Privacy And Security},
author = {Sheng Shen and Tianqing Zhu and Di Wu and Wei Wang and Wanlei Zhou},
journal= {arXiv preprint arXiv:2010.09258},
year = {2020}
}
备注
21 pages, 4 figures, 4 tables, 76 references